Les scientifiques utilisent l’apprentissage automatique pour prédire la diversité des espèces d’arbres dans les forêts
Une équipe collaborative de chercheurs dirigée par Ben Weinstein de l’Université de Floride, Oregon, États-Unis, a utilisé l’apprentissage automatique pour générer des cartes très détaillées de plus de 100 millions d’arbres individuels provenant de 24 sites à travers les États-Unis, publiant leurs résultats le 16 juillet.ème dans la revue en libre accès Biologie PLOS. Ces cartes fournissent des informations sur les espèces et les conditions d’arbres individuelles, ce qui peut grandement faciliter les efforts de conservation et d’autres projets écologiques.
Les écologistes collectent depuis longtemps des données sur les espèces d’arbres pour mieux comprendre l’écosystème unique d’une forêt. Historiquement, cela a été fait en étudiant de petites parcelles de terrain et en extrapolant ces résultats, même si cela ne peut pas rendre compte de la variabilité dans l’ensemble de la forêt. D’autres méthodes peuvent couvrir des zones plus vastes, mais ont souvent du mal à catégoriser les arbres individuels.
Pour générer de grandes cartes forestières très détaillées, les chercheurs ont formé un type d’algorithme d’apprentissage automatique appelé réseau neuronal profond à l’aide d’images de la canopée des arbres et d’autres données de capteurs prises en avion. Ces données de formation portaient sur 40 000 arbres individuels et, comme toutes les données utilisées dans cette étude, ont été fournies par le Réseau national d’observatoires écologiques.
Le réseau neuronal profond a pu classer les espèces d’arbres les plus courantes avec une précision de 75 à 85 pour cent. De plus, l’algorithme pourrait également fournir d’autres analyses importantes, telles que la notification des arbres vivants ou morts.
Les chercheurs ont découvert que le réseau neuronal profond présentait la plus grande précision dans les zones comportant plus d’espaces ouverts dans la canopée des arbres et fonctionnait mieux lors de la catégorisation des espèces de conifères, telles que les pins, les cèdres et les séquoias. Le réseau a également obtenu de meilleurs résultats dans les zones présentant une plus faible diversité d’espèces. Comprendre les points forts de l’algorithme peut être utile pour appliquer ces méthodes à divers écosystèmes forestiers.
Les chercheurs ont également téléchargé les prédictions de leurs modèles sur Google Earth Engine afin que leurs résultats puissent contribuer à d’autres recherches écologiques. Les chercheurs ajoutent : « La diversité des ensembles de données qui se chevauchent favoriseront des domaines de compréhension plus riches de l’écologie forestière et du fonctionnement des écosystèmes. »
Les auteurs ajoutent : « Notre objectif est de fournir aux chercheurs les premières cartes à grande échelle de la diversité des espèces d’arbres des écosystèmes des États-Unis. Ces cartes des arbres de la canopée peuvent être mises à jour avec de nouvelles données collectées sur chaque site. En collaborant avec des chercheurs des sites NEON nous pouvons construire de meilleures prévisions au fil du temps.